USA Spain Brazil Russia France Germany Korea Japan

Artificial Intelligence driven Marketing Communications

 
Mar 28, 2019 7:26 AM ET

“AI 的教父” 荣获图灵奖, 这是诺贝尔计算奖。Yoshua Bengio、Geoffrey Hinton 和 Yann Le村为现代 AI 奠定了基础


iCrowd Newswire - Mar 28, 2019
从左到右: 延恩·莱村照片: 脸书;杰弗里·辛顿图为: 谷歌;Yeshua Bengio资料图: Botler AI

被称为 “诺贝尔计算奖” 的2018年图灵奖颁发给了三位为当前人工智能热潮奠定基础的研究人员。

Yoshua Bengio、Geoffrey Hinton 和 Yann Le村–有时被称为 “AI 的教父”–因他们开发深度学习的 AI 子领域的工作而获得了100万美元的年度大奖。三人在20世纪90年代和21世纪初开发的技术使计算机视觉和语音识别等任务取得了巨大突破。他们的工作支撑着目前 ai 技术的普及, 从自驾游到自动医疗诊断。

事实上, 你今天可能与 Bengio、Hinton 和 Le村算法的后代进行了互动–不管是解锁手机的面部识别系统, 还是建议在上一封电子邮件中写什么的 AI 语言模型。

此后, 这三个国家都在 AI 研究生态系统中占据了重要位置, 跨越学术界和学术界。辛顿在谷歌和多伦多大学之间分出了他的时间;Bengio 是蒙特利尔大学的教授, 创办了一家名为元素 AI 的 AI 公司;而勒村是脸谱的首席 AI 科学家, 也是纽约大学的教授。

“这是一个巨大的荣誉,” 勒村告诉《维格》。”就像它在计算机科学中得到的一样好。这是一个更好的感觉, 它与我的朋友吉华和杰夫分享。

谷歌 AI 负责人杰夫·迪安称赞了三人的成就。迪安在一份声明中说: “深度神经网络是现代计算机科学取得一些最大进步的原因。”这一进步的核心是今年图灵奖获得者 Yeshua Bengio、Geoff Hinton 和 Yann Lemun 开发的基本技术。

</img src=”https://cdn.vox-cdn.com/thumbor/kG5n4HyTD623yRnv4tisaY6pkCs=/0x0:2303×1536/1200×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg” sizes=”(min-width: 1221px) 846px, (min-width: 880px) calc(100vw – 334px), 100vw” srcset=”https://cdn.vox-cdn.com/thumbor/MtnJ9Yk2m57MurLBe63un-ZRJ2U=/0x0:2303×1536/320×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 320w, https://cdn.vox-cdn.com/thumbor/-b3XC_Gl47TPFmvRvrNzJ6UUcFc=/0x0:2303×1536/520×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 520w, https://cdn.vox-cdn.com/thumbor/r80Eoi0JDLOu9Dpuy7cW7ZO9xdY=/0x0:2303×1536/720×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 720w, https://cdn.vox-cdn.com/thumbor/40PKZ8yehmL3jLp34ri_rEg2dCE=/0x0:2303×1536/920×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 920w, https://cdn.vox-cdn.com/thumbor/JJW5idstjowShJjAVIzhKo7-FGI=/0x0:2303×1536/1120×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 1120w, https://cdn.vox-cdn.com/thumbor/MKUoENj3Pk2UkSs-cD1RonnDbkw=/0x0:2303×1536/1320×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 1320w, https://cdn.vox-cdn.com/thumbor/I32DncHmRnvckRUF3JSRxA-7RO0=/0x0:2303×1536/1520×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 1520w, https://cdn.vox-cdn.com/thumbor/Diwyq8XSvunOVc4Zjyp3ETgpZgk=/0x0:2303×1536/1720×0/filters:focal(0x0:2303×15>

36):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 1720w, https://cdn.vox-cdn.com/thumbor/35XThx0fmj5wyKsMaGW5PXUi2-E=/0x0:2303×1536/1920×0/filters:focal(0x0:2303×1536):no_upscale()/cdn.vox-cdn.com/uploads/chorus_asset/file/13186789/aeva_8564_preview.jpeg 1920w “alt =” “数据上传-width=”2303 “> ‘ Bengio、Hinton 和 Lemun 开发的深度学习技术支持了许多技术, 如自驾车.资料图: 艾娃.

三人的成就尤其引人注目, 因为在技术前景惨淡的情况下, 他们保持了对人工智能的信心。

AI 以其繁荣和萧条的周期而闻名, 炒作的问题和领域本身一样古老。当研究未能达到过高的预期时, 就会冻结被称为 “AI 冬天” 的资金和利息。上世纪 8 0 年代末这样一个冬天的最后, 本乔、辛顿和勒村开始交流思想, 研究相关问题。其中包括神经网络–由连接的数字神经元组成的计算机程序已成为现代人工智能的关键组成部分。

Le村说: “从90年代中期到2000年代初到2000年代初, 有一个黑暗时期, 不可能公布关于神经网络的研究, 因为社区已经对它失去了兴趣。”事实上, 它有一个坏的代表。这有点禁忌。

三人决定需要重新激发兴趣, 并从加拿大政府获得资金, 赞助一个松散的相互关联的研究中心。”我们为学生组织了定期的会议、定期的讲习班和暑期学校,” 勒村说。”这创造了一个小社区 […]大约在 2012年, 2013年真的爆发了。

在此期间, 这三个人表明, 神经网络可以在字符识别等任务上取得强劲的效果。但直到 2 0 1 2年, 由辛顿领导的一个团队接受了一个著名的 AI 基准, 名为 ImageNet, 研究界的其他人才注意到了这一点。到目前为止, 研究人员只在这一目标识别挑战上实现了增量改进, 但辛顿和他的学生借助神经网络将次佳算法粉碎了 4 0% 以上

勒村说: “那里的区别非常大, 很多人, 你可以看到他们的头上有一个很大的开关在 ‘ 扣篮 ‘。”现在他们被说服了。

Facebook Prineville Data Center
这三人创造的深度学习框架后来是由丰富的处理能力和数据推动的.
资料图: Vjeran pavic

Gpu (最初是为游戏设计的) 的廉价处理能力和丰富的数字数据 (由互联网释放, 就像汽车释放烟雾一样), 为这些小认知引擎提供了燃料。自2012年以来, Bengio、Hinton 和 Lemin 首创的基本技术, 包括反向传播和卷积神经网络, 已在人工智能中无处不在, 进而在整个技术中也已普及。

勒村说, 他对人工智能的前景持乐观态度, 但他也很清楚, 在这个领域兑现承诺之前, 还需要做更多的工作。目前的 AI 系统需要大量的数据来了解世界, 可以很容易地欺骗, 并且只擅长特定的任务。”我们只是没有有常识的机器,” 勒村说。

如果该领域要继续沿着其上升的轨迹前进, 就需要发现新的方法, 这些方法与人工智能教父开发的方法一样基本。

“我们是否能够使用新的

创造人类层面智慧的方法, 好吧, 可能还有 5 0 座山可以爬, 包括那些我们甚至还看不到的山 “”我们只爬上了第一座山。也许第二个。

 

Contact Information:

James Vincent



Tags:    Chinese, News, Research Newswire, United States, Wire